Dall’analisi all’applicazione concreta il caso del Valore del Cliente nel Tempo

From analysis to practical application the case of Customer Lifetime Value

Parte uno di una guida completa e pratica alle tecniche di CLV e ai casi d’uso reali

Se sei un data scientist, un marketer o un responsabile dei dati, è probabile che se hai cercato su Google “Customer Lifetime Value”, sei rimasto deluso. Anche io ho provato questa delusione quando ero a capo della ricerca su CLV in un team di data science nel settore dell’e-commerce. Abbiamo cercato metodi all’avanguardia, ma Google ci ha restituito solo tutorial di base con dataset irrealistici e post di marketing che descrivevano usi vaghi e poco creativi per CLV. Non c’era nulla sui pro e i contro dei metodi disponibili quando applicati ai dati del mondo reale e ai clienti reali. Abbiamo imparato tutto da soli e ora voglio condividerlo.

Presentazione: tutto ciò che i tutorial su CLV hanno tralasciato.

In questo post, parlerò di:

• Cos’è CLV? (Sarò breve, perché probabilmente già conosci questa parte)
• Hai davvero bisogno di una previsione CLV? O puoi iniziare con il calcolo storico di CLV?
• Cosa può già ottenere la tua azienda dalle informazioni storiche di CLV, specialmente se le combini con altri dati aziendali?

Nel resto della serie, presenterò:

• Utilizzi della previsione CLV
• Metodi per calcolare e prevedere CLV, e i loro vantaggi e svantaggi
• Lezioni apprese su come usarli correttamente.

E spargerò alcuni consigli pratici di data science lungo il percorso. Suona bene come piano? Fantastico, iniziamo!

• Potenziare le informazioni in tempo reale con il monitoraggio del sito web utilizzando Python
• 5 Lezioni Essenziali per i Data Scientist Junior che ho imparato a Spotify (Parte 1)
• 5 Lezioni essenziali per i giovani Data Scientist che ho imparato da Spotify (Parte 2)

Cos’è il valore a vita del cliente?

Il valore a vita del cliente è il valore generato da un cliente nel suo “lifetime” con un rivenditore: cioè, tra il suo primo e ultimo acquisto. Il “valore” può essere definito come il puro ricavo: quanto ha speso il cliente. Ma nella mia esperienza nell’e-commerce, ho scoperto che i rivenditori più maturi si preoccupano meno del ricavo a breve termine e più del profitto a lungo termine. Pertanto, sono più propensi a considerare il “valore” come ricavo meno costi . Come vedremo nella seconda parte, sapere quali costi sottrarre è più facile a dirsi che a farsi…

Calcolo vs Previsione?

I team di R&D esperti sanno che per i nuovi progetti di data science è meglio iniziare con qualcosa di semplice. Per CLV, questo può essere “facile” come utilizzare le transazioni storiche per calcolare il valore a vita finora . Puoi:

• calcolare una media semplice su tutti i tuoi clienti, o
• calcolare una media basata su segmenti logici, come per gruppi demografici.

Anche questa visione retrospettiva ha molteplici utilizzi per i team di marketing e acquisti (cioè, gestione dell’inventario) di un rivenditore. Infatti, a seconda del livello di alfabetizzazione dei dati dell’azienda e delle risorse disponibili, potrebbe persino essere sufficiente (almeno per iniziare). Inoltre, i data scientist possono comprendere le abitudini di spesa tipiche dei clienti dell’azienda, e questo può essere prezioso se l’azienda desidera successivamente prevedere il CLV futuro, su base individuale.

Per aiutarti a decidere, insieme all’azienda, se hai bisogno di informazioni storiche su CLV o di previsioni future, vediamo alcuni casi d’uso per ciascuna opzione. Dopotutto, è importante che i team di marketing, gestione e data science siano allineati fin dall’inizio su come verranno utilizzati i risultati del progetto. Questo è il modo migliore per evitare di costruire qualcosa di sbagliato e dover ricominciare da capo in seguito.

Combina le informazioni su CLV con altri dati aziendali

Molti tutorial discutono solo dell’utilizzo per la previsione del CLV, su base individuale. Elencano casi d’uso ovvi, come “cerca di coinvolgere i clienti a basso spenditore previsti per farli acquistare di più”. Ma le possibilità vanno molto oltre.

Indipendentemente dal fatto che si ottenga l’informazione del CLV tramite calcolo o previsione, è possibile amplificare il suo valore aziendale combinandolo con altri dati. Tutto ciò di cui hai bisogno è un valore CLV, o qualche tipo di punteggio di livello CLV (ad esempio, alto, medio, basso), per ID cliente. Quindi puoi unire questo con altre fonti di informazione, come:

• i prodotti che i clienti stanno acquistando
• i canali di vendita (in negozio, online, ecc.) che stanno utilizzando
• informazioni sui resi
• tempi di spedizione
• e così via.

Ho illustrato questo di seguito. Ogni riquadro mostra una tabella di dati e i suoi nomi di colonna. Vedi come ogni tabella contiene un Customer_ID? Questo permette di unirle tutte. Spiegherò le colonne della tabella CLV_Info nella parte tre; Prima, ti ho promesso dei casi d’uso.

Utilizzi per il calcolo storico del CLV

Diciamo che hai classificato tutti i tuoi clienti in base alla spesa totale finora e li hai segmentati in qualche modo. Ad esempio, il tuo team di marketing ti ha chiesto di dividere i dati nei primi 10% dei spenditori, nel 20% intermedio e nel 70% inferiore. Forse hai persino fatto questo più volte su diversi sottogruppi della tua base clienti, come per paese, se hai negozi online in tutto il mondo. E ora, immagina di aver combinato tutto questo con altri dati aziendali, come descritto sopra. Cosa può fare la tua azienda con queste informazioni?

Sinceramente, ci sono così tante domande che puoi fare ai tuoi dati e così tanto che puoi fare con le risposte, che non potrei mai coprire tutto. Non ho la conoscenza del dominio che hai tu, ed è una cosa enormemente importante e sottovalutata nella scienza dei dati. Ma nelle prossime sezioni, ti fornirò alcune idee per farti pensare come un marketer basato sui dati. Sta a te portare avanti tutto questo…

Esplora i segmenti del CLV e le loro esigenze

• Cosa rende un cliente di alto livello? Sono estremamente regolari, spenditori modesti? O fanno acquisti meno frequenti, ma spendono di più per transazione? Sapere questo aiuta il tuo team di marketing e il tuo team di inventario a identificare il tipo di clienti che desiderano davvero acquisire e trattenere! Quindi possono pianificare gli sforzi di marketing e di servizio clienti, e persino le promozioni di inventario e prodotto, di conseguenza.
• Perché i costi sono alti e/o i ricavi sono bassi per i tuoi clienti di basso livello? Acquistano solo articoli a sconti estremi? Restituiscono sempre le cose? O acquistano a credito e non pagano in tempo? Apparentemente c’è un’adeguatezza del prodotto per il cliente scarsa: potresti migliorarla mostrando loro prodotti diversi? O ecco un’altra domanda: i tuoi clienti di basso livello acquistano sempre un prodotto e poi non fanno più acquisti da te? Forse è un “prodotto veleno”, che dovrebbe essere rimosso dal tuo inventario.
• I tuoi clienti ad alto CLV sono più soddisfatti? Perché? Immagina di essere un rivenditore di abbigliamento e i tuoi clienti hanno la possibilità di salvare le loro informazioni di misurazione nel loro account. Ciò consente al tuo negozio online di fare raccomandazioni di misurazione quando un cliente connesso sta per aggiungere un articolo al carrello. Noti anche che la maggior parte dei tuoi clienti ad alto CLV ha salvato le loro misure e ha meno resi. Pertanto, sospetti che le raccomandazioni: Riducono i tassi di reso > migliorano la soddisfazione del cliente > e mantengono i clienti fedeli.
• Come puoi mettere in atto queste informazioni? Ecco solo un’idea: il team del sito web potrebbe aggiungere dei promemoria per ricordare agli utenti di inserire le loro informazioni di misurazione. Idealmente, ciò aumenterà i ricavi, diminuirà i costi e migliorerà la soddisfazione del cliente, ma se sei veramente basato sui dati, vorrai testare il cambiamento in modo A/B. In questo modo puoi misurare l’impatto, controllando gli effetti esterni e tenendo d’occhio le metriche “guardrail”. Queste sono metriche che non vorresti vedere cambiare durante un test A/B, come il numero di cancellazioni dell’account.

Esplora la tua demografia

La sezione precedente riguardava i livelli di CLV; ora mi riferisco a diversi sottogruppi di clienti, come quelli basati sull’intervallo di età, il genere o la posizione. Ci sono due modi per fare questo.

1. Esegui l’analisi CLV sull’intera base clienti e poi verifica come i sottogruppi sono distribuiti tra i livelli di CLV, come questo:

2. Dividi prima in sottogruppi e poi esegui un’analisi CLV per ognuno.

O, puoi provare entrambi gli approcci! Dipende dalle esigenze aziendali e dalle risorse disponibili. Ma ancora una volta, ci sono molte domande interessanti:

• Quali sottogruppi hai? Dimentica quelli ovvi che ho appena elencato; cerchiamo di essere creativi. Ad esempio, potresti suddividere i clienti in base al canale di acquisizione originale o al canale che utilizzano maggiormente: online vs in negozio, app vs sito web. Potresti suddividerli in base al livello di adesione, se lo offri. Utilizzando i cookie di tracciamento del tuo negozio online, puoi persino suddividerli in base al dispositivo di shopping preferito: computer desktop vs tablet vs mobile. Perché? Beh, forse i tuoi acquirenti basati su telefoni cellulari hanno valori del carrello più bassi, perché le persone preferiscono fare acquisti importanti su un desktop. Più conoscenze di dominio riesci a accumulare, migliore sarà la tua analisi e, se necessario, gli sforzi di apprendimento automatico.
• In che modo il comportamento d’acquisto differisce per sottogruppo di clienti? Quando fanno acquisti? Con quale frequenza? Per quale importo? Rispondono bene alle promozioni e alle vendite incrociate? Per quanto tempo sono fedeli? Spendono spesso all’inizio della loro vita e poi diminuiscono, o c’è un altro modello? Questo tipo di informazioni può aiutarti a pianificare le attività di marketing e persino a stimare il futuro fatturato, e non dovrebbe essere necessario dirti quanto sia utile…
• Come si svolge un percorso di cliente “tipico”? Stai acquisendo la maggior parte dei nuovi clienti nei negozi fisici? Significa che i tuoi negozi sono ottimi ma il tuo sito web fa schifo? O i tuoi dipendenti in negozio sono migliori nel convincere le persone a iscriversi all’adesione rispetto al tuo sito web? In entrambi i casi, potresti cercare di migliorare il sito web o almeno essere più intelligente su quali canali pubblicizzare. E cosa dire delle offerte per i nuovi clienti, degli sconti per l’iscrizione alla newsletter o dei riferimenti di amici: attirano un numero consistente di clienti ad alto CLV? Se no, è il momento di rivalutare quelle campagne.

Diventa intelligente sulla tua offerta e su come la promuovi

• Se capisci meglio i tuoi clienti, puoi servirli meglio. Per un rivenditore, questo potrebbe includere l’approvvigionamento dei tipi di prodotti che i loro migliori clienti sembrano preferire. Un fornitore di telefoni cellulari potrebbe migliorare i servizi che i suoi clienti ad alto CLV stanno utilizzando, come l’aggiunta di funzionalità alla loro app mobile. Naturalmente, vorrai testare qualsiasi cambiamento, per assicurarti di non introdurre modifiche che i clienti odiano. E non abbandonare i tuoi clienti a basso CLV, invece, cerca di capire cosa sta andando storto e come puoi migliorarlo.
• Allo stesso modo, se capisci i tuoi clienti, puoi parlare la loro lingua. Mostrando gli annunci giusti, al momento giusto, sui canali giusti, puoi acquisire i clienti che desideri e che vogliono fare acquisti da te.

Sapere quanto spendere per l’acquisizione di clienti

• Ti sei mai chiesto perché le aziende iniziano a inviarti email quando non hai più fatto acquisti da loro? È perché è costoso acquisire un cliente e non vogliono perderti. Ecco perché, quando navighi su un sito di e-commerce, quei prodotti ti seguono in giro per internet. Sono chiamati “annunci programmatici” e appaiono perché l’azienda ha pagato per quel primo clic e non è disposta a lasciarti andare, ancora.
• Come rivenditore, non vuoi solo buttare soldi per acquisire un qualsiasi cliente. Vuoi guadagnare e trattenere quelli ad alto valore: quelli che rimarranno fedeli e genereranno buoni ricavi nel corso di una lunga vita. Calcolare il CLV storico ti consente anche di calcolare i tuoi punti di pareggio: quanto tempo ci è voluto a ciascun cliente per “ripagare” il costo di acquisizione. Qual è la media e quali livelli di CLV e gruppi demografici di clienti si ripagano più velocemente? Sapere questo aiuterà i team di marketing a pianificare le campagne di acquisizione di clienti e migliorare i flussi di benvenuto dei nuovi clienti (cioè quelle email che ricevi dopo il primo acquisto in un nuovo negozio), per aumentare il coinvolgimento iniziale e migliorare i tempi di pareggio.

Monitorare le prestazioni nel tempo

• Rivalutare per identificare le tendenze. Le aziende e i mercati cambiano, al di là del controllo di qualsiasi rivenditore. Ricalcolando periodicamente il tuo CLV storico, puoi continuamente ampliare la tua comprensione dei tuoi clienti e delle loro esigenze, e capire se le stai soddisfacendo. Con quale frequenza dovresti eseguire nuovamente la tua analisi? Dipende dalle tue vendite tipiche e dalla velocità di acquisizione dei clienti: ad esempio, un supermercato potrebbe rivalutare più spesso rispetto a un rivenditore di mobili. Dipende anche da quanto spesso l’azienda può effettivamente gestire l’ottenimento di nuove informazioni sul CLV e usarle per prendere decisioni basate sui dati.
• Rivalutare per migliorare. Ricalcolare periodicamente il CLV ti aiuterà a garantire di acquisire clienti sempre più preziosi. E non dimenticare di eseguire valutazioni extra dopo aver introdotto un grande cambiamento strategico, per assicurarti di non inviare numeri nella direzione sbagliata.

E quindi, che ne pensi delle previsioni CLV…?

Lo so, lo so… vuoi parlare di Machine Learning e di come puoi utilizzare le previsioni CLV. Ma questo post è già abbastanza lungo, quindi lo salverò per la prossima volta, insieme alle lezioni che il mio team ha imparato su come modellare il CLV storico e prevedere il CLV futuro utilizzando dati del mondo reale. Poi, nella terza parte, affronteremo i pro e i contro dei metodi di modellazione e previsione disponibili. Se vuoi un promemoria, non dimenticare di iscriverti. Ci vediamo alla prossima!